completeness_score#

sklearn.metrics.completeness_score(labels_true, labels_pred)[источник]#

: Вычисляет порог для приемлемой производительности (лучший результат - 1 ст. откл.)

Результат кластеризации удовлетворяет полноте, если все точки данных, принадлежащие одному классу, являются элементами одного и того же кластера.

Эта метрика не зависит от абсолютных значений меток: перестановка значений меток классов или кластеров не изменит значение оценки никаким образом.

Эта метрика не симметрична: переключение label_true с label_pred вернет homogeneity_score которые в общем случае будут разными.

Подробнее в Руководство пользователя.

Параметры:
labels_truearray-like формы (n_samples,)

Истинные метки классов, используемые в качестве эталона.

labels_predarray-like формы (n_samples,)

Метки кластеров для оценки.

Возвращает:
полнотаfloat

Оценка от 0.0 до 1.0. 1.0 означает идеально полную маркировку.

Смотрите также

homogeneity_score

Метрика однородности кластерной разметки.

v_measure_score

V-мера (NMI с опцией среднего арифметического).

Ссылки

Примеры

Идеальные разметки являются полными:

>>> from sklearn.metrics.cluster import completeness_score
>>> completeness_score([0, 0, 1, 1], [1, 1, 0, 0])
1.0

Неидеальные разметки, которые относят всех членов классов к одним и тем же кластерам, все равно являются полными:

>>> print(completeness_score([0, 0, 1, 1], [0, 0, 0, 0]))
1.0
>>> print(completeness_score([0, 1, 2, 3], [0, 0, 1, 1]))
0.999

Если члены классов разделены по разным кластерам, назначение не может быть полным:

>>> print(completeness_score([0, 0, 1, 1], [0, 1, 0, 1]))
0.0
>>> print(completeness_score([0, 0, 0, 0], [0, 1, 2, 3]))
0.0
На этой странице